一种基于决策树识别断路器操动机构振动的方法及系统技术方案

本发明专利技术公开了一种基于决策树识别断路器操动机构振动的方法及系统，属于电气设备监测技术领域。本发明专利技术方法包括：将初始数据库按照预设比例分为训练样本和测试样本，将样本属性作为训练样本的属性；对具备样本属性的训练样本输入决策树进行训练，建立CART分类树；对建立的CART分类树与测试样本进行测试，确定CART分类树，对识别断路器操动机构运行状态的准确率，并根据准确率，确定CART分类树的有效性；若CART分类树具备有效性，将目标断路器操动机构的运行状态数据输入至CART分类树，通过CART分类树识别目标断路器操动机构的振动情况。本发明专利技术提供了训练数据收集更为精准且迅速，且训练特征更为有效，训练出的决策树识别精度高。训练出的决策树识别精度高。训练出的决策树识别精度高。

【技术实现步骤摘要】
一种基于决策树识别断路器操动机构振动的方法及系统


[0001]本专利技术涉及电气设备监测
，并且更具体地，涉及一种基于决策树识别断路器操动机构振动的方法及系统。

技术介绍

[0002]目前，高压断路器操作机构振动信号故障诊断方法方面，主要包括基于定性经验知识、统计分析以及人工智能的3类方法。基于定性经验知识的故障识别方法需要利用深厚的专业知识以及经验积累判断故障类型，但高压断路器结构复杂、不确定性强，因此这类方法的运用较少；基于统计分析的故障诊断方法利用特征信息中统计量的可重复性，通过对特定变量设定阈值等方法来判断故障类型，但对数据的准确性与完备性要求较高，方法的容错性和适应性较差。
[0003]因此目前主要应用的人工智能算法实现高压断路器的故障诊断，如基于粗糙集神经网络的诊断方法对正常、连接销松动、机构连接螺栓松动、合闸脱扣器卡涩、操动机构卡涩五种故障振动信号的诊断结果可靠率超过 80％；基于优化后的支持向量机诊断方法，对弹簧操动式高压断路器进行弹簧疲劳和合闸挚子卡涩故障的模拟实验和分析结果表明，振动信号的时频特性能较好反映高压断路器的机械状态，该特征分类方法对断路器模型上正常情况、弹簧疲劳、合闸挚子卡涩3种状态分类准确率达91.67％，基于Tsallis熵与层次化混合分类器，将断路器机械操动机构振动信号进行时域分割，对分割后的各段信号分别直接提取7种特征，构成特征向量，将特征向量输入到基于单类支持向量机(OCSVM)与极限学习机(ELM)的层次化混合分类器中开展故障诊断，在混合分类器中，首先由OCSVM区分正常与故障状态；如为故障状态，则使用ELM识别故障类型，之后再以OCSVM校正ELM识别结果。对正常样本20组、3种故障状态各10 组以及无训练样本类型故障识别结果表明，对已知故障类型数据诊断识别率达100％，但对无训练样本类型故障识别率不佳，在无训练样本的状态识别中，ELM与SVM均无法识别为未知故障类型，其中ELM将10组样本中的2组样本误识别为正常，而SVM将故障样本全部识别为正常状态。基于小波包、RBF神经网络与D
‑
S证据理论的决策层信息融合诊断方法，对正常状态和2类异常状态的真空断路器振动信号进行融合分析，诊断准确率在86％至94％区间。通过将原始信号利用经验模态进行分解，得到的一组固有模态函数分量做为近似熵算法的输入，将多个分量的近似熵组成一个特征向量来表征原始信号，引入支持向量机对不同状态的样本进行有效分类，对铁心卡涩、润滑不足和底座松动各5组的数据诊断结果识别率达100％，但对8组正常状态数据诊断识别率仅为80％。
[0004]从目前的研究成果看，不同的人工智能诊断方法在GIS设备操作机构振动信号的分析与诊断方面，但仍存在有待改进之处，如诊断准确率有待提升、诊断方法对不同故障的适应性不足、单一类型故障样本量不足，以及部分数据不是基于真型试验平台故障导致的算法的有效性不足等问题，需要继续开展基于真型试验平台的故障模拟试验同时开展诊断算法的开发工作。

技术实现思路

[0005]针对上述问题，本专利技术提出了一种基于决策树识别断路器操动机构振动的方法，包括：
[0006]针对断路器操动机构运行状态的初始数据，将初始数据库按照预设比例分为训练样本和测试样本，对初始数据进行预处理，确定断路器操动机构运行状态的样本属性，将样本属性作为训练样本的属性；
[0007]对具备样本属性的训练样本输入决策树进行训练，建立CART分类树；
[0008]对建立的CART分类树与测试样本进行测试，确定CART分类树，对识别断路器操动机构运行状态的准确率，并根据准确率，确定CART分类树的有效性；
[0009]若CART分类树具备有效性，将目标断路器操动机构的运行状态数据输入至CART分类树，通过CART分类树识别目标断路器操动机构的振动情况。
[0010]可选的，确定断路器操动机构运行状态的样本属性，包括：
[0011]根据断路器操动机构运行状态的振动声学指纹数据库，提取5种运行状态的初始数据中的振动声学指纹数据的方差，将方差作为样本特征；
[0012]将提取样特征的5种运行状态的初始数据，按照运行状态归类为5个样本集，将5个样本集中每两个样本集之间组成一个等效平面，共组成10 个等效平面，计算断路器操动机构中每个待测数据点到10个等效平面的等效距离，将等效距离作为样本属性；
[0013]所述振动声学指纹数据库，根据CT26弹簧型GIS操动机构对4种故障进行了实验室模拟，利用加速度传感器建立振动声学指纹数据库。
[0014]可选的，计算断路器操动机构中每个待测数据点到10个等效平面的等效距离，包括：
[0015]定义一个三维平面的方程，如下：
[0016]Ax+By+Cz+d＝0
[0017]其中，x，y，z是三维坐标，A、B、C为x，y，z的变量系数，d为常数项；
[0018]定义平面外任意一点P0(x0,y0,z0)，平面上一点P1(x1,y1,z1),d为向量P1P0在法向量n上投影的长度，即d的计算公式如下：
[0019][0020]因此，得P0(x0,y0,z0)到平面的等效距离为:
[0021][0022]可选的，建立CART分类树，具体包括：
[0023]将具备样本属性的训练样本输入决策树，计算训练样本的属性值，根据属性值确定基尼系数的划分阈值初始值及划分阈值，并向决策树输入停止划分的条件；
[0024]所述停止划分的条件，包括：最大深度和基尼系数的划分阈值；
[0025]3.1计算样本属性对训练样本的基尼系数值；
[0026]根据训练样本的基尼系数值，判断是否找到训练样本的最优划分属性及最优划分属性的最优切分点，判断最优切分点是否满足决策树输入的停止划分的条件，若判断为是，则生成叶子节点，建立CART分类树；若否，则生成左右两个子节点；
[0027]3.2针对样本属性，选择基尼系数值最小的样本属性及所述尼系数值最小的样本属性划分阈值作为最优属性和最佳划分阈值，并将决策树中现有节点内的训练样本划分至左右两个子节点中，返回步骤3.1。
[0028]可选的，计算样本属性对训练样本的基尼系数，具体为：将训练样本分为两个子样本，并对两个子样本，对样本属性中的每个属性基尼系数值。
[0029]可选的，基尼系数值的计算公式如下：
[0030][0031]式中，S为训练样本数量，P
j
为第j类样本占总样本的概率，j为任意一类训练样本，n为S中样本类别的个数。
[0032]可选的，划分阈值的计算公式如下：
[0033][0034]其中，S1，S2是划分的两个训练样本，Gini(S，A)为属性A的划分阈值为a时，训练样本S分解后集合的不确定性。
[0035]本专利技术还提出了一种基于决策树识别断路器操动机构振动的系统，包括：
[0036]数据采集单元，针对断路器操动机构运行状态的初始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于决策树识别断路器操动机构振动的方法，所述方法包括：针对断路器操动机构运行状态的初始数据，将初始数据库按照预设比例分为训练样本和测试样本，对初始数据进行预处理，确定断路器操动机构运行状态的样本属性，将样本属性作为训练样本的属性；对具备样本属性的训练样本输入决策树进行训练，建立CART分类树；对建立的CART分类树与测试样本进行测试，确定CART分类树，对识别断路器操动机构运行状态的准确率，并根据准确率，确定CART分类树的有效性；若CART分类树具备有效性，将目标断路器操动机构的运行状态数据输入至CART分类树，通过CART分类树识别目标断路器操动机构的振动情况。2.根据权利要求1所述的方法，所述确定断路器操动机构运行状态的样本属性，包括：根据断路器操动机构运行状态的振动声学指纹数据库，提取5种运行状态的初始数据中的振动声学指纹数据的方差，将方差作为样本特征；将提取样特征的5种运行状态的初始数据，按照运行状态归类为5个样本集，将5个样本集中每两个样本集之间组成一个等效平面，共组成10个等效平面，计算断路器操动机构中每个待测数据点到10个等效平面的等效距离，将等效距离作为样本属性；所述振动声学指纹数据库，根据CT26弹簧型GIS操动机构对4种故障进行了实验室模拟，利用加速度传感器建立振动声学指纹数据库。3.根据权利要求2所述的方法，所述计算断路器操动机构中每个待测数据点到10个等效平面的等效距离，包括：定义一个三维平面的方程，如下：Ax+By+Cz+d＝0其中，x，y，z是三维坐标，A、B、C为x，y，z的变量系数，d为常数项；定义平面外任意一点P0(x0,y0,z0)，平面上一点P1(x1,y1,z1),d为向量P1P0在法向量n上投影的长度，即d的计算公式如下：因此，得P0(x0,y0,z0)到平面的等效距离为:4.根据权利要求1所述的方法，所述建立CART分类树，具体包括：将具备样本属性的训练样本输入决策树，计算训练样本的属性值，根据属性值确定基尼系数的划分阈值初始值及划分阈值，并向决策树输入停止划分的条件；所述停止划分的条件，包括：最大深度和基尼系数的划分阈值；3.1计算样本属性对训练样本的基尼系数值；根据训练样本的基尼系数值，判断是否找到训练样本的最优划分属性及最优划分属性的最优切分点，判断最优切分点是否满足决策树输入的停止划分的条件，若判断为是，则生
成叶子节点，建立CART分类树；若否，则生成左右两个子节点；3.2针对样本属性，选择基尼系数值最小的样本属性及所述尼系数值最小的样本属性划分阈值作为最优属性和最佳划分阈值，并将决策树中现有节点内的训练样本划分至左右两个子节点中，返回步骤3.1。5.根据权利要求4所述的方法，所述计算样本属性对训练样本的基尼系数，具体为：将训练样本分为两个子样本，并对两个子样本，对样本属性中的每个属性基尼系数值。6.根据权利要求4所述的方法，所述基尼系数值的计算公式如下：式中，S为训练样本数量，P
j
为第j类样本占总样本的概率，j为任意一类训练样本，n为S中样本类别的个数。7.根据权利要求4所述的方法，所述划分阈值的计算公式如下：其中，S1，S2是划分的两个训练样本，Gini(S，A)为属性A的划分阈值为a时，训练样本S分解后集合的不确定性。8.一种基于决策树识别断路器操动机构振动...

【专利技术属性】
技术研发人员：杨圆，李鹏，刘宗杰，袁帅，毕建刚，王峰，杜非，王广真，于浩，弓艳朋，季严松，杜劲超，付德慧，
申请(专利权)人：国网山东省电力公司济宁供电公司国家电网有限公司，
类型：发明
国别省市：